Nieuws Naar een AIdiagnose zoals die van de dokter
24 juni 2020

Artificiële intelligentie (AI) is een belangrijke innovatie in de diagnostiek, omdat het snel afwijkingen kan leren herkennen die een arts ook als ziekte zou bestempelen. Maar de manier waarop deze systemen werken is vaak ondoorzichtig en artsen hebben een beter "totaalbeeld" wanneer ze de diagnose stellen. In een nieuwe publicatie laten onderzoekers van het Radboudumc zien hoe ze de AI kunnen laten tonen hoe het werkt, en het ook meer als arts kunnen laten diagnosticeren, waardoor AI-systemen relevanter worden voor de klinische praktijk.

Dokter versus AI

De afgelopen jaren is artificiële intelligentie in opkomst bij de diagnose van medische beelden. Een arts kan een Röntgenfoto of biopsie bekijken om afwijkingen te identificeren, maar dit kan in toenemende mate ook door een AI-systeem worden gedaan door middel van 'deep learning' (zie 'Achtergrond: wat is deep learning' hieronder). Zo'n systeem leert zelfstandig tot een diagnose te komen en doet dat in sommige gevallen net zo goed of beter dan ervaren artsen.
Twee belangrijke verschillen met een menselijke arts zijn dat AI vaak niet transparant is over de manier waarop het de beelden analyseert, maar ook dat deze systemen nogal 'lui' zijn. AI kijkt naar wat er nodig is voor een bepaalde diagnose en stopt dan. Dit betekent dat een scan niet altijd álle afwijkingen identificeert, ook niet als de diagnose correct is. Een arts kijkt, vooral bij het overwegen van het behandelplan, naar het grote geheel: wat zie ik? Welke afwijkingen moeten tijdens de operatie worden verwijderd of behandeld?

Een AI zoals de dokter

Om AI-systemen aantrekkelijker te maken voor de klinische praktijk, ontwikkelde Cristina González-Gonzalo, PhD-kandidaat bij A-eye Research en de Diagnostic Image Analysis Group van Radboudumc, een tweeledige verbetering van diagnostische AI. Ze deed dit op basis van oogscans waarop afwijkingen van het netvlies te zien waren - met name diabetische retinopathie en leeftijdsgebonden maculaire degeneratie. Deze afwijkingen zijn gemakkelijk te herkennen door zowel een arts als AI. Maar het zijn ook afwijkingen die vaak in groepen voorkomen. Een klassieke AI zou één of enkele plekken diagnosticeren en de analyse stoppen. In het proces dat González Gonzalo heeft ontwikkeld, gaat de AI echter keer op keer door het beeld en leert de plaatsen die ze al is gepasseerd te negeren en ontdekt zo nieuwe. Bovendien laat de AI ook zien welke delen van de oogscan verdacht worden geacht, waardoor het diagnostisch proces transparant wordt (zie foto onder).

Een iteratief proces

Een normale AI zou een diagnose kunnen stellen op basis van één beoordeling van de oogscan, en dankzij de eerste bijdrage van González-Gonzalo kan het laten zien hoe het tot die diagnose is gekomen (het derde plaatje van links op de foto). Deze visuele uitleg laat zien dat het systeem inderdaad lui is – het systeem stopt de analyse omdat het net genoeg informatie heeft verkregen om een ​​diagnose te stellen. Dat is de reden waarom González-Gonzalo het proces ook op een innovatieve manier herhalend of iteratief maakte. Dit forceert de AI om beter te kijken en meer het ‘totaalplaatje’ te creëren dat radiologen voor zichzelf maken.
Hoe heeft het systeem geleerd om met ‘frisse ogen’ naar dezelfde oogscan te kijken? Het systeem leerde de al gevonden afwijkingen digitaal te bedekken met gezond weefsel van rondom de afwijking, waardoor het in de volgende ronde alleen nog nieuwe afwijkingen zou kunnen vinden. Vervolgens werden de resultaten van alle beoordelingsrondes bij elkaar opgeteld en dat levert de uiteindelijke diagnose op (het meest rechtse plaatje). In de studie verbeterde deze aanpak de gevoeligheid van de detectie van diabetische retinopathie en leeftijdsgebonden maculaire degeneratie met 11,2 +/- 2,0% per afbeelding. Wat dit onderzoek bewijst, is dat het mogelijk is om een ​​AI-systeem beelden meer als een arts te laten beoordelen én transparant te maken hoe het werkt. Dit kan ertoe bijdragen dat deze systemen gemakkelijker te vertrouwen zijn en dus door radiologen kunnen worden gebruikt.
 

Foto: Deze serie toont de vier verschillende stadia van dezelfde oogscan die in dit artikel worden beschreven. Van links naar rechts: de originele afbeelding; met markering van de afwijkingen door menselijke experts; met markering van afwijkingen door één scan van een AI-systeem; en met markering van anomalieën gemaakt na een iteratieve reeks scans van een AI-systeem. Het valt op dat het iteratieve proces een vollediger overzicht geeft van de aanwezige afwijkingen dan de enkele beoordeling.


Achtergrond: wat is 'deep learning'?

Deep learning is een term die wordt gebruikt voor systemen die leren op een manier die vergelijkbaar is met hoe onze hersenen werken. Het bestaat uit netwerken van elektronische ‘neuronen’, die elk één aspect van het gewenste beeld leren herkennen. Vervolgens volgt het de principes van ‘al doende leert men’ en ‘oefening baart kunst’. Het systeem krijgt steeds meer beelden met relevante informatie die, in dit geval, zegt of er een afwijking in het netvlies is, en zo ja, welke ziekte het is. Het systeem leert vervolgens te herkennen welke kenmerken bij die ziekten horen, en hoe meer afbeeldingen het ziet, hoe beter het die kenmerken kan herkennen in niet-gediagnosticeerde afbeeldingen. We doen iets soortgelijks met kleine kinderen: we houden herhaaldelijk een voorwerp, bijvoorbeeld een appel, voor hun neus en zeggen dat het een appel is. Na een tijdje hoef je het niet meer te zeggen - ook al is elke appel net iets anders. Een ander groot voordeel van deze systemen is dat ze hun training veel sneller afronden dan mensen en 24 uur per dag kunnen werken.
 
 
  • Meer weten over deze onderwerpen? Klik dan via onderstaande buttons door naar meer nieuws.

    Nieuws homeResearch

Meer informatie


Stephan van Duin

wetenschapsvoorlichter

(06) 21 19 73 89

Meer nieuws


Radboudumc en Voeding Leeft willen met nieuwe leefstijlbehandeling kankerprognose verbeteren

3 juli 2020

Radboudumc, Voeding Leeft en de Vereniging Arts en Leefstijl slaan de handen ineen om een leefstijlbehandeling te ontwikkelen voor de groeiende groep kankerpatiënten.

lees meer

Carolijn Ploem per 1 oktober 2020 lid van de Raad van Bestuur van het Radboudumc

3 juli 2020

Drs. Carolijn J. Ploem is door het bestuur van de Stichting Katholieke Universiteit met ingang van 1 oktober 2020 benoemd tot lid van de Raad van Bestuur van het Radboudumc. Zij krijgt de portefeuille Organisatie van Zorg & Human Resources.

lees meer

Radboudumc-artsen naar Suriname voor COVID-hulp

3 juli 2020

Vandaag vertrekt vanaf Schiphol een landelijk team van COVID-deskundigen naar Suriname om ondersteuning te bieden bij de COVID-zorg aldaar. Het Radboudumc coördineert deze hulpactie en biedt terplekke ook hulp en expertise met de inzet van onder meer infectiologen.

lees meer

Herma Renkema benoemd tot Chief Early Development Officer bij Khondrion

3 juli 2020

Khondrion, een spin-off van het Radboudumc, heeft Herma Renkema per 1 juli 2020 benoemd tot Chief Early Development Officer. Ze zal zich sterk richten op de ontwikkeling van nieuwe medicijnen voor mitochondriële ziekten.

lees meer

Nieuwe donorwet van kracht per 1 juli Wat is de impact van deze wet? En wat zijn de grootste misverstanden hierover?

2 juli 2020

Per 1 juli 2020 geldt in Nederland een nieuwe donorwet. Orgaandonatie--coördinator Willem Hordijk licht de impact van de wijziging toe, en neuroloog-intensivist Farid Abdo bespreekt de 5 grootste misverstanden over deze nieuwe wet.

lees meer

Lancering boek over gepersonaliseerde zorg, met medewerking van Radboudumc-experts Hoogleraar en hoofd IC Hans van der Hoeven: ‘Een must-read voor alle zorgverleners, in de breedste zin des woords’

30 juni 2020

In het boek ‘Gepersonaliseerde medische zorg’ staan 14 praktijkvoorbeelden, die onder meer zijn geschreven door experts uit het Radboudumc. Wat kan waardegedreven zorg voor de praktijk opleveren, voor de patiënt én de zorgverlener?

lees meer